用python写一个能输出图形函数的线性分类器完整代码

以下是一个用Python编写的线性分类器的代码：

import numpy as np
import matplotlib.pyplot as plt

class LinearClassifier:
    def __init__(self, input_size, output_size):
        self.W = np.random.randn(input_size, output_size)
        self.b = np.zeros((1, output_size))

    def forward(self, X):
        return np.dot(X, self.W) + self.b

    def backward(self, X, y, y_pred, learning_rate):
        m = X.shape[0]
        delta = y_pred - y

        dW = (1/m) * np.dot(X.T, delta)
        db = (1/m) * np.sum(delta, axis=0, keepdims=True)

        self.W -= learning_rate * dW
        self.b -= learning_rate * db

    def train(self, X, y, learning_rate=0.1, epochs=100):
        for epoch in range(epochs):
            y_pred = self.forward(X)
            self.backward(X, y, y_pred, learning_rate)

    def predict(self, X):
        return np.argmax(self.forward(X), axis=1)

# Generate random data
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.array([0]*50 + [1]*50)

# Train classifier
clf = LinearClassifier(2, 2)
clf.train(X, y)

# Plot decision boundary
x1 = np.linspace(-3, 3, 100)
x2 = np.linspace(-3, 3, 100)
xx1, xx2 = np.meshgrid(x1, x2)
X_grid = np.array([xx1.ravel(), xx2.ravel()]).T
y_grid = clf.predict(X_grid)
y_grid = y_grid.reshape(xx1.shape)

plt.contourf(xx1, xx2, y_grid, cmap=plt.cm.Spectral, alpha=0.8)
plt.scatter(X[:,0], X[:,1], c=y, cmap=plt.cm.Spectral)
plt.show()

这个代码包含一个名为 `LinearClassifier` 的类，用于训练和预测线性分类器。在这个例子中，我们生成了一个二维的随机数据集，其中包含50个类别为0的点和50个类别为1的点。然后，我们使用 `LinearClassifier` 类来训练一个线性分类器，并使用 `matplotlib` 库绘制决策边界。